大家訪問這個即可下載數(shù)據(jù)集和源代碼!!!
gitee項目源碼及數(shù)據(jù)文件在這里，點擊
案列要求
1、訓練要點
（1）掌握使用seaborn庫或者matplotlib庫進行數(shù)據(jù)可視化的方法
（2）掌握撰寫可視化分析報告的方法
2、需求說明
在現(xiàn)實生活中，學生的成績與表現(xiàn)往往受制于多方面的因素。在教學研究中，除去對各科目考試結(jié)果本身的分析外，如果能夠深入地對學生其他信息（如對學生家庭背景、性別、飲食、課前準備等影響因素）進行分析，那么老師將會進一步了解學生在考試中的表現(xiàn)。學生考試成績數(shù)據(jù)集中包含8各字段，共計1000條數(shù)據(jù)，其字段信息說明如下表所示。
表：學生考試成績數(shù)據(jù)集中的字段信息說明
為了了解不同性別的學生在數(shù)學、閱讀、寫作中的表現(xiàn)，了解父母受教育程度對學生數(shù)學、閱讀、寫作是否有影響，了解午餐標準對學生成績是否有影響，了解考試準備充分是否有助于提高學生成績，需要對學生考試成績數(shù)據(jù)集進行數(shù)據(jù)讀取、處理、可視化分析。
（1）使用Pandas庫讀取文件，查看原始數(shù)據(jù)的相關特征和描述信息，檢查是否有空值。
（2）分別獲取數(shù)據(jù)框中的閱讀成績、數(shù)學成績、寫作成績3個字段，累加求和計算出每個學生的總分total_score，再除以3得到平均分percentage。
（3）設置各門課程及格線為60分，分別判斷學生是否通過（Fail/Pass）每門課，合并新的數(shù)據(jù)列pass_reading、pass_math、pass_writing。
（4）判斷每個學生的整體狀態(tài)是否通過。如果3門課中有一門為Fail，則最后考核為Fail，合并新的數(shù)據(jù)列status。
（5）對于總分是Pass的數(shù)據(jù)，根據(jù)平均分設置5級制成績，即percentage大于等于90分為優(yōu)秀，8089分為良好，7079分為中等，60~69分為幾個，其他為不及格。
（6）繪制可視化圖形。
繪制父母受教育程度的水平柱狀圖
繪制全體學生成績分布餅圖
繪制各科成績分布直方圖
繪制父母受教育程度與前置課程是否完成統(tǒng)計分類圖
繪制成績評級與性別分布箱線圖
繪制午餐標準與總成績的性別分類散點圖
繪制各特征的相關熱力圖
背景
為了了解不同性別的學生在數(shù)學、閱讀、寫作中的表現(xiàn)，了解父母受教育程度對學生數(shù)學、閱讀、寫作是否有影響，了解午餐標準對學生成績是否有影響，了解考試準備充分是否有助于提高學生成績，需要對學生考試成績數(shù)據(jù)集進行數(shù)據(jù)讀取、處理、可視化分析。在當今社會，教育是許多人生中最重要的一部分。隨著數(shù)據(jù)分析和可視化技術的不斷發(fā)展，越來越多的人開始將這些技術應用于教育領域，以幫助學校、家長和政府更好地管理和決策。而Python作為一種流行的編程語言，其數(shù)據(jù)分析和可視化能力已經(jīng)得到廣泛認可和使用。本文介紹了一個基于Python腳本的學生特征和成績分析方案，旨在探究不同特征對學生成績的影響，并提供有力支持和參考，為學校和家長提供更有效的教育決策。
一、處理數(shù)據(jù)
import pandas as pd
import pandas as pd
# 使用 GBK 編碼方式讀取文件
df = pd.read_csv("StudentsPerformance.csv", encoding="gbk")
# 查看數(shù)據(jù)的前幾行
print(df.head())
# 查看數(shù)據(jù)的基本信息，包括每列數(shù)據(jù)的類型和非空數(shù)量等
print(df.info())
# 查看數(shù)據(jù)的統(tǒng)計信息，包括每列數(shù)據(jù)的基本統(tǒng)計量（如均值、標準差、最大值、最小值等）
print(df.describe())
# 檢查是否有空值
print(df.isnull().sum())
這段代碼主要使用了 Python 的 Pandas 庫對名為 “StudentsPerformance.csv” 的 CSV 文件進行了分析。在運行這段代碼后，它會執(zhí)行以下幾個操作：
使用 Pandas 庫的 read_csv() 函數(shù)讀取 “StudentsPerformance.csv” 文件中的數(shù)據(jù)，并將其存儲在一個名為 df 的 Dataframe 對象中。
執(zhí)行 df.head() 函數(shù)，可以顯示出這個 Dataframe 對象的前五行，方便我們初步查看數(shù)據(jù)。
執(zhí)行 df.info() 函數(shù)，可以打印出 Dataframe 的基本信息，包括列數(shù)、每列名稱、每列中非空值的數(shù)量和數(shù)據(jù)類型等
執(zhí)行 df.describe() 函數(shù)，可以打印出 Dataframe 中各列數(shù)據(jù)的統(tǒng)計信息，如均值、標準差、最大值、最小值等。
執(zhí)行 df.isnull().sum() 函數(shù)，可以檢查 Dataframe 中是否有缺失值，統(tǒng)計每列缺失值的數(shù)量，并將其打印出來。
結(jié)果：
性別 民族 父母教育程度 午餐 課程完成情況 數(shù)學成績 閱讀成績 寫作成績
0 女 B 學士學位 標準 未完成 72 72 74
1 女 C 大學未畢業(yè) 標準 完成 69 90 88
2 女 B 碩士學位 標準 未完成 90 95 93
3 男 A 副學士學位 自由/減少 未完成 47 57 44
4 男 C 大學未畢業(yè) 標準 未完成 76 78 75
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 性別 1000 non-null object
1 民族 1000 non-null object
2 父母教育程度 1000 non-null object
3 午餐 1000 non-null object
4 課程完成情況 1000 non-null object
5 數(shù)學成績 1000 non-null int64
6 閱讀成績 1000 non-null int64
7 寫作成績 1000 non-null int64
dtypes: int64(3), object(5)
memory usage: 62.6+ KB
None
數(shù)學成績 閱讀成績 寫作成績
count 1000.00000 1000.000000 1000.000000
mean 66.08900 69.169000 68.054000
std 15.16308 14.600192 15.195657
min 0.00000 17.000000 10.000000
25% 57.00000 59.000000 57.750000
50% 66.00000 70.000000 69.000000
75% 77.00000 79.000000 79.000000
max 100.00000 100.000000 100.000000
性別 0
民族 0
父母教育程度 0
午餐 0
課程完成情況 0
數(shù)學成績 0
閱讀成績 0
寫作成績 0
dtype: int64
二、選取閱讀成績、數(shù)學成績、寫作成績3個字段，計算總分和平均分
# 選取閱讀成績、數(shù)學成績、寫作成績3個字段，計算總分和平均分
df['總分'] = df.iloc[:,5:8].sum(axis=1)
df['平均分'] = df['總分'] / 3
# 查看計算結(jié)果
print(df[['閱讀成績', '數(shù)學成績', '寫作成績', '總分', '平均分']].head())
這段代碼的作用是從 DataFrame 對象 df 中選取閱讀成績、數(shù)學成績、寫作成績3個字段，并計算每位學生的總分和平均分。具體解釋如下：
df.iloc[:, 5:8] 表示選取第6、7、8列（閱讀成績、數(shù)學成績、寫作成績），使用 sum(axis=1) 對每行求和，將每位學生的總分添加到 df 中。
計算每位學生的平均分，即將每位學生的總分除以3，并將其添加到 df 中。
使用 df[['閱讀成績', '數(shù)學成績', '寫作成績', '總分', '平均分']] 選取 DataFrame 對象 df 中的 閱讀成績、數(shù)學成績、寫作成績、總分、平均分這5個字段，并使用 head() 方法打印出前五行數(shù)據(jù)。
總之，這段代碼的目的是對 DataFrame 對象 df 的特定字段進行處理，并將處理結(jié)果添加到 df 中。它計算了每位學生的總分和平均分，并把這兩個指標加入到了原始數(shù)據(jù)中，方便進一步統(tǒng)計和分析。最后，使用 print 函數(shù)輸出了所選的字段以及新增字段的結(jié)果，以便于我們查看計算結(jié)果。
三、設置及格線為60分，并使用 lambda 函數(shù)判斷每位學生是否通過各門課程
閱讀成績 數(shù)學成績 寫作成績 總分 平均分
0 72 72 74 218 72.666667
1 90 69 88 247 82.333333
2 95 90 93 278 92.666667
3 57 47 44 148 49.333333
4 78 76 75 229 76.333333
# 設置及格線為60分，并使用 lambda 函數(shù)判斷每位學生是否通過各門課程
df['pass_reading'] = df['閱讀成績'].apply(lambda x: 'Pass' if x >= 60 else 'Fail')
df['pass_math'] = df['數(shù)學成績'].apply(lambda x: 'Pass' if x >= 60 else 'Fail')
df['pass_writing'] = df['寫作成績'].apply(lambda x: 'Pass' if x >= 60 else 'Fail')
# 打印修改后的數(shù)據(jù)幀
print(df.head())
這段代碼的主要作用是，首先設置及格線為 60 分，然后使用 lambda 函數(shù)判斷每位學生是否通過閱讀、數(shù)學和寫作三門課程，并將結(jié)果存儲到 df 新添加的三列 pass_reading、pass_math 和 pass_writing 中。具體解釋如下：
使用 apply 方法和 lambda 函數(shù)，對閱讀成績、數(shù)學成績、寫作成績這三列，使用 if 判斷語句，若成績大于等于 60，則將該學生的值設定為 ‘Pass’，否則設定為 ‘Fail’，并將判斷結(jié)果添加到 DataFrame 對象 df 的新列中。
因為 DataFrame 對象 df 的三列 pass_reading、pass_math 和 pass_writing 新添加了判斷結(jié)果，所以打印出修改后的 DataFrame 對象 df，以便于我們查看結(jié)果。
總之，這段代碼的目的是對 DataFrame 對象 df 的閱讀成績、數(shù)學成績、寫作成績這三列數(shù)據(jù)進行判斷，并將判斷結(jié)果添加到 df 新添加的三列中。它使用了 apply 方法和 lambda 函數(shù)來對每個成績進行判斷，并根據(jù)判斷結(jié)果添加到相應的新列中。這樣做有利于我們更好地判斷每位學生是否通過各門課程，并能夠在進一步分析中幫助我們更精準地對學生成績進行評估。
性別 民族 父母教育程度 午餐 課程完成情況 數(shù)學成績 閱讀成績 寫作成績 總分 平均分 pass_reading \
0 女 B 學士學位 標準 未完成 72 72 74 218 72.666667 Pass
1 女 C 大學未畢業(yè) 標準 完成 69 90 88 247 82.333333 Pass
2 女 B 碩士學位 標準 未完成 90 95 93 278 92.666667 Pass
3 男 A 副學士學位 自由/減少 未完成 47 57 44 148 49.333333 Fail
4 男 C 大學未畢業(yè) 標準 未完成 76 78 75 229 76.333333 Pass
pass_math pass_writing
0 Pass Pass
1 Pass Pass
2 Pass Pass
3 Fail Fail
4 Pass Pass
四、使用 apply() 函數(shù)和 lambda 表達式判斷每個學生的整體狀態(tài)是否通過，并將判斷結(jié)果存儲在新的數(shù)據(jù)列中
# 使用 apply() 函數(shù)和 lambda 表達式判斷每個學生的整體狀態(tài)是否通過，并將判斷結(jié)果存儲在新的數(shù)據(jù)列中
df['情況'] = df.apply(lambda x: 'Pass' if x['pass_reading'] == 'Pass' and x['pass_math'] == 'Pass' and x['pass_writing'] == 'Pass' else 'Fail', axis=1)
# 打印修改后的數(shù)據(jù)幀
print(df.head())
性別 民族 父母教育程度 午餐 課程完成情況 數(shù)學成績 閱讀成績 寫作成績 總分 平均分 pass_reading \
0 女 B 學士學位 標準 未完成 72 72 74 218 72.666667 Pass
1 女 C 大學未畢業(yè) 標準 完成 69 90 88 247 82.333333 Pass
2 女 B 碩士學位 標準 未完成 90 95 93 278 92.666667 Pass
3 男 A 副學士學位 自由/減少 未完成 47 57 44 148 49.333333 Fail
4 男 C 大學未畢業(yè) 標準 未完成 76 78 75 229 76.333333 Pass
這段代碼的目的是使用 apply() 函數(shù)和 lambda 表達式計算出每個學生的整體狀態(tài)是否通過，并將結(jié)果存儲在 DataFrame 對象 df 的新列 ‘情況’ 中。具體解釋如下：
使用 apply() 函數(shù)和 lambda 表達式，對 DataFrame 對象 df 進行遍歷并應用 lambda 函數(shù)，axis=1 表示沿著行方向進行操作。對于每個學生，判斷其閱讀、數(shù)學、寫作三科成績是否全部通過，如果全部通過則該學生整體通過，否則整體不通過。
根據(jù)判斷結(jié)果，將"Pass"或"Fail"存儲到 DataFrame 對象 df 的新列’情況’中。
打印輸出修改后的 DataFrame 對象 df，以便于我們查看計算結(jié)果。
總之，這段代碼的目的是對 DataFrame 對象 df 的三門科目成績是否通過進行整體判斷，并將判斷結(jié)果存儲到一個新列中，這樣可以更加方便地進行學生成績評估。
pass_math pass_writing 情況
0 Pass Pass Pass
1 Pass Pass Pass
2 Pass Pass Pass
3 Fail Fail Fail
4 Pass Pass Pass
五、計算每個學生的總分和平均分，并使用條件表達式判斷成績等級，并將判斷結(jié)果存儲在新的數(shù)據(jù)列中
# 計算每個學生的總分和平均分，并使用條件表達式判斷成績等級，并將判斷結(jié)果存儲在新的數(shù)據(jù)列中
df['總分'] = df['數(shù)學成績'] + df['閱讀成績'] + df['寫作成績']
df['平均分'] = df['總分'] / 3
df['等級'] = df.apply(lambda x: '優(yōu)秀' if x['平均分'] >= 90 else '良好' if x['平均分'] >= 80 else '中等' if x['平均分'] >= 70 else '及格' if x['平均分'] >= 60 else '不及格', axis=1)
# 打印修改后的數(shù)據(jù)幀
print(df.head())
這段代碼的目的是計算每個學生的總分和平均分，并根據(jù)條件表達式判斷成績等級，并將判斷結(jié)果存儲在 DataFrame 對象 df 的新列’等級’中。具體解釋如下:
首先，計算每個學生的總分和平均分，將其存儲在 DataFrame 對象 df 的’總分’和’平均分’列中。
使用 apply() 函數(shù)和 lambda 表達式遍歷 DataFrame 對象 df，axis=1 表示沿著行方向進行操作。對于每個學生，根據(jù)其平均分使用條件表達式判斷其成績等級，例如如果平均分大于等于 90 分，則為優(yōu)秀，大于等于 80 分則為良好，以此類推，將其判斷結(jié)果存儲到 DataFrame 對象 df 的新列’等級’中。
打印輸出修改后的 DataFrame 對象 df，以便于我們查看計算結(jié)果。
總之，這段代碼的目的是對 DataFrame 對象 df 的三門科目成績進行計算并判斷成績等級，將判斷結(jié)果存儲到一個新的數(shù)據(jù)列中。這樣可以更加方便地對學生成績做出評估和分析。
性別 民族 父母教育程度 午餐 課程完成情況 數(shù)學成績 閱讀成績 寫作成績 總分 平均分 pass_reading \
0 女 B 學士學位 標準 未完成 72 72 74 218 72.666667 Pass
1 女 C 大學未畢業(yè) 標準 完成 69 90 88 247 82.333333 Pass
2 女 B 碩士學位 標準 未完成 90 95 93 278 92.666667 Pass
3 男 A 副學士學位 自由/減少 未完成 47 57 44 148 49.333333 Fail
4 男 C 大學未畢業(yè) 標準 未完成 76 78 75 229 76.333333 Pass
pass_math pass_writing 情況 等級
0 Pass Pass Pass 中等
1 Pass Pass Pass 良好
2 Pass Pass Pass 優(yōu)秀
3 Fail Fail Fail 不及格
4 Pass Pass Pass 中等
六、數(shù)據(jù)可視化
1.統(tǒng)計每個家長受教育水平的人數(shù)，并繪制水平柱狀圖
import seaborn as sns
import matplotlib.pyplot as plt
# 指定字體
plt.rcParams['font.sans-serif'] = ['SimHei']
# 統(tǒng)計每個家長受教育水平的人數(shù)，并繪制水平柱狀圖
edu_counts = df['父母教育程度'].value_counts()
plt.bar(edu_counts.index, edu_counts.values)
plt.xlabel('父母教育程度')
plt.ylabel('人數(shù)')
plt.title('父母受教育程度的水平柱狀圖')
plt.show()
2. 統(tǒng)計及格和不及格的人數(shù)，并繪制餅圖
# 統(tǒng)計及格和不及格的人數(shù)，并繪制餅圖
pass_counts = df['情況'].value_counts()
labels = ['及格', '不及格']
sizes = [pass_counts['Pass'], pass_counts['Fail']]
plt.pie(sizes,
labels=labels,
autopct='%1.1f%%')
plt.title('全體學生成績分布餅圖')
plt.axis('equal')
plt.show()
3. 繪制數(shù)學成績、閱讀成績和寫作成績的直方圖
# 繪制數(shù)學成績、閱讀成績和寫作成績的直方圖
plt.hist(df['數(shù)學成績'], bins=10, alpha=0.5, label='math score')
plt.hist(df['閱讀成績'], bins=10, alpha=0.5, label='reading score')
plt.hist(df['寫作成績'], bins=10, alpha=0.5, label='writing score')
plt.legend(loc='upper right')
plt.xlabel('成績')
plt.ylabel('人數(shù)')
plt.title('各科成績分布直方圖')
plt.show()
4. 繪制父母受教育程度和前置課程是否完成的分類圖
# 繪制父母受教育程度和前置課程是否完成的分類圖
sns.countplot(x='父母教育程度',
data=df,
hue='課程完成情況')
plt.title('父母受教育程度與前置課程是否完成統(tǒng)計分類圖')
plt.show()
5. 繪制成績評級和性別分布的箱線圖
# 繪制成績評級和性別分布的箱線圖
sns.boxplot(x='等級',
y='總分',
hue='性別',
data=df)
plt.title('成績評級與性別分布箱線圖')
plt.show()
6. 繪制午餐標準和總成績的性別分類散點圖
# 繪制午餐標準和總成績的性別分類散點圖
sns.scatterplot(x='午餐',
y='總分',
hue='性別',
data=df)
plt.title('午餐標準與總成績的性別分類散點圖')
plt.show()
7. 計算各特征之間的相關系數(shù)，并繪制熱力圖
corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('各特征的相關熱力圖')
plt.show()
七、總結(jié)
通過對學生數(shù)據(jù)的分析和可視化，本Python腳本探討了學生的不同特征與其成績之間的關系，并得出了多個結(jié)論。其中包括父母受教育程度普遍較高、女性學生總成績明顯高于男性學生等。這些結(jié)論為學校、家長和政府制定更有效的教育方案提供了非常有價值的參考。
此外，使用Matplotlib和Seaborn這兩個強大的可視化庫，使得數(shù)據(jù)結(jié)果更加直觀和易懂。通過直觀的圖表呈現(xiàn)，我們可以更清晰地看到數(shù)據(jù)分布和相互關系，從而更準確地分析和解讀數(shù)據(jù)。
需要注意的是，盡管本腳本得出了多個結(jié)論，但這些結(jié)論并不一定適用于所有情況，仍需考慮實際情況和背景。同時，還可以通過進一步探究和分析數(shù)據(jù)，尋求更深層次的規(guī)律和結(jié)論，為教育領域提供更多的參考和指導。
總之，本Python腳本為教育領域的數(shù)據(jù)分析和研究提供了一個好的起點，也為學生特征和成績之間的關系提供了有力支持。在今后的學生管理和教育實踐中，我們應該進一步挖掘數(shù)據(jù)的潛力，為學生成長和發(fā)展提供更有效的幫助和支持。
八、完整代碼
以下代碼為基于 Pandas 庫對學生表現(xiàn)數(shù)據(jù)進行的一系列操作和可視化，主要包括數(shù)據(jù)讀取、數(shù)據(jù)清洗、數(shù)據(jù)計算、數(shù)據(jù)分析和數(shù)據(jù)可視化等方面的內(nèi)容。其中，我們可以看到對于數(shù)據(jù)的大量處理操作，例如：查看數(shù)據(jù)的前幾行和基本信息、計算總分和平均分、判斷每門課程是否及格、判斷整體狀態(tài)是否通過、計算成績等級、統(tǒng)計分類圖、箱線圖、散點圖、熱力圖等。這些操作可以幫助我們更好地了解和分析該數(shù)據(jù)集，以便后續(xù)做出更好的決策和指導。文章來源：http://www.zghlxwxcb.cn/news/detail-455861.html
import pandas as pd
import pandas as pd
# 使用 GBK 編碼方式讀取文件
df = pd.read_csv("StudentsPerformance.csv", encoding="gbk")
# 查看數(shù)據(jù)的前幾行
print(df.head())
# 查看數(shù)據(jù)的基本信息，包括每列數(shù)據(jù)的類型和非空數(shù)量等
print(df.info())
# 查看數(shù)據(jù)的統(tǒng)計信息，包括每列數(shù)據(jù)的基本統(tǒng)計量（如均值、標準差、最大值、最小值等）
print(df.describe())
# 檢查是否有空值
print(df.isnull().sum())
# 選取閱讀成績、數(shù)學成績、寫作成績3個字段，計算總分和平均分
df['總分'] = df.iloc[:,5:8].sum(axis=1)
df['平均分'] = df['總分'] / 3
# 查看計算結(jié)果
print(df[['閱讀成績', '數(shù)學成績', '寫作成績', '總分', '平均分']].head())
# 設置及格線為60分，并使用 lambda 函數(shù)判斷每位學生是否通過各門課程
df['pass_reading'] = df['閱讀成績'].apply(lambda x: 'Pass' if x >= 60 else 'Fail')
df['pass_math'] = df['數(shù)學成績'].apply(lambda x: 'Pass' if x >= 60 else 'Fail')
df['pass_writing'] = df['寫作成績'].apply(lambda x: 'Pass' if x >= 60 else 'Fail')
# 打印修改后的數(shù)據(jù)幀
print(df.head())
# 使用 apply() 函數(shù)和 lambda 表達式判斷每個學生的整體狀態(tài)是否通過，并將判斷結(jié)果存儲在新的數(shù)據(jù)列中
df['情況'] = df.apply(lambda x: 'Pass' if x['pass_reading'] == 'Pass' and x['pass_math'] == 'Pass' and x['pass_writing'] == 'Pass' else 'Fail', axis=1)
# 打印修改后的數(shù)據(jù)幀
print(df.head())
# 計算每個學生的總分和平均分，并使用條件表達式判斷成績等級，并將判斷結(jié)果存儲在新的數(shù)據(jù)列中
df['總分'] = df['數(shù)學成績'] + df['閱讀成績'] + df['寫作成績']
df['平均分'] = df['總分'] / 3
df['等級'] = df.apply(lambda x: '優(yōu)秀' if x['平均分'] >= 90 else '良好' if x['平均分'] >= 80 else '中等' if x['平均分'] >= 70 else '及格' if x['平均分'] >= 60 else '不及格', axis=1)
# 打印修改后的數(shù)據(jù)幀
print(df.head())
import seaborn as sns
import matplotlib.pyplot as plt
# 指定字體
plt.rcParams['font.sans-serif'] = ['SimHei']
# 統(tǒng)計每個家長受教育水平的人數(shù)，并繪制水平柱狀圖
edu_counts = df['父母教育程度'].value_counts()
plt.bar(edu_counts.index, edu_counts.values)
plt.xlabel('父母教育程度')
plt.ylabel('人數(shù)')
plt.title('父母受教育程度的水平柱狀圖')
plt.show()
# 統(tǒng)計及格和不及格的人數(shù)，并繪制餅圖
pass_counts = df['情況'].value_counts()
labels = ['及格', '不及格']
sizes = [pass_counts['Pass'], pass_counts['Fail']]
plt.pie(sizes,
labels=labels,
autopct='%1.1f%%')
plt.title('全體學生成績分布餅圖')
plt.axis('equal')
plt.show()
# 繪制數(shù)學成績、閱讀成績和寫作成績的直方圖
plt.hist(df['數(shù)學成績'], bins=10, alpha=0.5, label='math score')
plt.hist(df['閱讀成績'], bins=10, alpha=0.5, label='reading score')
plt.hist(df['寫作成績'], bins=10, alpha=0.5, label='writing score')
plt.legend(loc='upper right')
plt.xlabel('成績')
plt.ylabel('人數(shù)')
plt.title('各科成績分布直方圖')
plt.show()
# 繪制父母受教育程度和前置課程是否完成的分類圖
sns.countplot(x='父母教育程度',
data=df,
hue='課程完成情況')
plt.title('父母受教育程度與前置課程是否完成統(tǒng)計分類圖')
plt.show()
# 繪制成績評級和性別分布的箱線圖
sns.boxplot(x='等級',
y='總分',
hue='性別',
data=df)
plt.title('成績評級與性別分布箱線圖')
plt.show()
# 繪制午餐標準和總成績的性別分類散點圖
sns.scatterplot(x='午餐',
y='總分',
hue='性別',
data=df)
plt.title('午餐標準與總成績的性別分類散點圖')
plt.show()
# 計算各特征之間的相關系數(shù)，并繪制熱力圖
corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('各特征的相關熱力圖')
plt.show()
附錄： 數(shù)據(jù)文件
本次案列所用到的CSV數(shù)據(jù)文章來源地址http://www.zghlxwxcb.cn/news/detail-455861.html
到了這里，關于Python數(shù)據(jù)可視化實戰(zhàn)期末課程設計——各科目考試成績可視化項目的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！
![[小塵送書-第二期]《Power BI數(shù)據(jù)分析與可視化實戰(zhàn)》數(shù)據(jù)清洗、數(shù)據(jù)建模、數(shù)據(jù)可視化設計與高級技法](https://imgs.yssmx.com/Uploads/2024/02/640447-1.png)
